Présentation et accès aux bases de données OMIM, EMBL

 Présentation et accès aux bases de données OMIM, GDB, EMBL/GenBank, SWISS­PROT, PDB et au système d'information IMGT
Véronique Giudicelli
LIGM, IGH, UPR CNRS 1142
141 rue de la Cardonille
34296 Montpellier Cedex 5
tel: 04.99.61.99.65 fax: 04.99.61.99.01
e-mail: [email protected]
17 Octobre 2006
Rôles des bases de données
1 - Collecter les informations
Dans la littérature
Auprès des biologistes
Dans les autres bases de données
2 - Stocker et organiser les données
Dans une logique cohérente
3 - Distribuer l’information
(outils informatiques)
Distribuer des données contrôlées
Assurer une large diffusion
4 - Faciliter l’exploitation des données
Interfaces conviviales
Définition des critères de recherche
Recherche, comparaison de données
17 Octobre 2006
Quelques sources d’information
1 - Des exemples de serveurs WWW :
IGH
PASTEUR
PBIL
EBI
DKFZ
ExPASy
NCBI
TIGR
http://www.igh.cnrs.fr
http://bioweb.pasteur.fr/intro-uk.html
http://pbil.univ-lyon1.fr/
http://www.ebi.ac.uk
http://genome.dkfz-heidelberg.de
http://www.expasy.ch
http://www.ncbi.nlm.nih.gov/
http://www.tigr.org
17 Octobre 2006
Quelques sources d’information
2 - La littérature
Le premier Nucleic Acids Research de l’année
est dédié aux bases de données en Biologie
3 - DBCAT: The Public Catalog of Databases
maintenu par INFOBIOGEN
(activités interrompues en Juillet 2006
4 - Catalogue de logiciels
Biocatalog:
http://www.ebi.ac.uk/biocat
(606 entrées - fin 2004)
SoftwareSeek: http://genamics.com/software/index.htm
17 Octobre 2006
Bases de données de gènes et cartographies
OMIM NCBI, USA (http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=OMIM/)
Catalogue des gènes humains et des désordres génétiques et cliniques
GDB The Genome Database, RTI, Caroline du nord (http://www.gdb.org/)
Cartographie des gènes humains (gènes, polymorphismes, mutations, sondes,
cartes génétiques, GenBank)
Entrez gene NCBI, USA
(http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=gene/)
Collections de liens (locus, cartographie, medline, OMIM, Entrez, GenBank,
Unigene,
polymorphisme) associés à chacun des gènes étudiés
GeneCards TM, Weizmann Institute, Israël
(http://www.genecards.org/index.shtml/)
Base de données de gènes automatiquement générée qui intègre les informations
sur les gènes, leurs produits, et leurs implications dans les maladies
GENATLAS Paris, France (http://www.dsi.univ-paris5.fr/genatlas/)
Collection d'informations et de données (gènes, maladies, marqueurs)
17 Octobre 2006
OMIM Online Mendelian Inheritance in Man
Base de données de gènes et maladies genetiques
Créée en 1968 par Dr. Victor A. McKusick
Localisation
Maintenue à l'Université Johns Hopkins, Baltimore,
Maryland (USA)
L’interface WWW est développée par le NCBI
(National Center for Biotechnology Information)
Regroupe:
- une base de données : catalogue de maladies
génétiques et de gènes associés
- des cartes cytogénétiques des gènes décrits dans la base de
données (recherche par gènes, localisation
chromosomiques
ou par maladies)
Contient
Distribution
actuellement 17140 entrées (Octobre 2006)
http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=OMIM
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
GDB
Genome DataBank
Créée en 1990
à l'Université Johns Hopkins,
Baltimore, Maryland (USA)
Localisation
maintenue de1999 à 2002 par le BiSC, Toronto
depuis novembre 2003 par le RTI (Caroline du nord)
Regroupe :
- les gènes,
- les clones,
- les marqueurs cytogénétiques, les cartographies
- RFLP, les polymorphismes
- les allèles
Contient les données relatives à la structure du génome humain, sa diversité
et à son évolution
Outils de soumission des données
GenePoint : pour l’annotation du génome
Système interactif pour commenter les données
Distribution
Web: http://www.gdb.org/
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
Les bases de données généralistes
de séquences nucléotidiques et protéiques
Elles couvrent tous les secteurs de la biologie,
toutes les espèces
1 - Avantages
- Ce sont les bases de données les plus complètes
- Elles sont très largement distribuées
- Elles permettent aux auteurs de prendre date
- Ce sont des outils indispensables à la diffusion rapide des
résultats scientifiques
2 - Inconvénients
- Elles contiennent beaucoup de redondance
- La qualité des données est sous la responsabilité des auteurs
- Encore beaucoup d’erreurs malgré les contrôles
- Evolution lente
17 Octobre 2006
Les bases de données généralistes de
séquences nucléotidiques
GenBank
NCBI, USA
http://www.ncbi.nlm.nih.gov/Genbank/index.html
EMBL
EBI, UK
http://www.ebi.ac.uk/embl/
DDBJ
NIG, Japon
http://www.ddbj.nig.ac.jp
17 Octobre 2006
EMBL/GenBank/DDJB
International Nucleotide Sequence Database Collaboration
http://www.insdc.org/
• Ces 3 BD contiennent les mêmes informations à quelques jours
prêts (différences dans la format et la syntaxe)
• Elles contiennent toutes les séquences nucléotidiques de:
– projets de séquençage de génomes
– Projets individuel de recherche
– Patent offices
• Les données non confidentielles sont échangées tous les jours
17 Octobre 2006
EMBL/GenBank/DDJB
• Grande hétérogénéité dans la longueur des séquences
• Tailles: il n’y a plus de maximum (>300.000pb)
Les plus petites de l’ordre de 10 nt
• Toutes les séquences sont conservées
(beaucoup de redondance)
• Beaucoup d’erreurs dans les séquences, les annotations, la
détermination des CDS
• Hétérogénité de la qualité des annotations qui sont
principalement fournies par les auteurs
17 Octobre 2006
GenBank
Banque de séquences d’ADN et d’ARN
Créée en 1978
Localisation
National Center for Biotechnology Information,
NLM, NIH, Bethesda, MD, USA
Août 2006
> 61.106 entrées (+ de 65.109 de nucléotides)
Plus de 205.000 espèces sont représentées
(+ de 3000 nouvelles espèces par mois)
Origine des séquences
Analyse de la littérature mondiale
Soumission par les auteurs
Collaboration avec EMBL et DDBJ
(version 155)
Outils de soumission des séquences
Sequin, Bankit, tbl2asn
Consultation, distribution (fichiers à plat)
Web (http://www.ncbi.nlm.nih.gov), Entrez,
FTP
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
EMBL Nucleotide Sequence Database
Banque de séquences d’ADN et d’ARN
Créée en 1980
Localisation
European Bioinformatics Institute, Hinxton, UK
Septembre 2006
> 80.106 entrées (+ de 146.109 de nucléotides)
(version 88)
Origine des séquences
Analyse de la littérature européenne
Soumission par les auteurs
Collaboration avec GenBank et DDBJ
Outils de soumission des séquences
Sequin, Webin (http://www.ebi.ac.uk/embl/Submission/)
Consultation, distribution (fichiers à plat)
Web (http://www.ebi.ac.uk), SRS, FTP
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
Structure des informations distribuées par EMBL
17 Octobre 2006
Les classes EMBL
La classe de données pour chaque entrée reflète
l’approche méthodologique utilisée pour la génération de
la séquence
CON
Entry constructed from segment entry sequences,
drawing annotation from segment entries
ANN Entry constructed from segment entry sequences with its own
annotation
PAT
Patent EST Expressed Sequence Tag
GSS
Genome Survey Sequence, short single pass genomic sequences
HTC High Thoughput CDNA sequencing
HTG High Thoughput Genome sequencing
MGA Mass Genome Annotation
WGS Whole Genome Shotgun
TPA
Third Party Annotation
STS Sequence Tagged Site
STD Standard (all entries not classified as above)
17 Octobre 2006
Les divisions EMBL et GenBank
Création de divisions taxonomiques
EMBL
Bacteriophage
Environmental Sample
Fungal
Human
Invertebrate
Other Mammal
Other Vertebrate
Mus musculus
Plant
Prokaryote
Other Rodent
Synthetic
Unclassified
Viral
GenBanK
PHG
ENV
FUN
HUM
INV
MAM
VRT
MUS
PLN
PRO
ROD
SYN
UNC
VRL
PRI - primate sequences
ROD - rodent sequences
MAM - other mammalian sequences
VRT - other vertebrate sequences
INV - invertebrate sequences
PLN - plant, fungal, and algal sequences
BCT - bacterial sequences
VRL - viral sequences
PHG - bacteriophage sequences
SYN - synthetic sequences
UNA - unannotated sequences
EST - EST sequences (expressed sequence tags)
PAT - patent sequences
STS - STS sequences (sequence tagged sites)
GSS - GSS sequences (genome survey sequences)
HTG - HTGS sequences (high throughput genomic sequences)
HTC - HTC sequences (high throughput cDNA sequences)
ENV - Environmental sampling sequences
17 Octobre 2006
nom de l'entrée; version de la séquence; classe de la donnée; molécule; division; longueur.
Numéro d’accès
Date d’entrée dans EMBL
Dernière date de modification
Definition
Mots clé
17 Octobre 2006
Espèce et classific ation
Références bibliographiques
Cross-références
17 Octobre 2006
Les lignes et codes de EMBL
CC Commentaires.
FH En-tête du champ FT (feature)
FT Motifs/caractéristiques de la séquence. "The feature table".
SQ Longueur de la séquence en paire de bases, composition
Séquence avec 60 nucléotides par ligne dans le sens 5'--->3'.
17 Octobre 2006
Les lignes FT: les annotations
Features
Caractérisation des motifs de la séquence
présentation dans un ordre hierarchique
comprend le nom et la delimitation du motif
dans la séquence
Qualifiers
ajoutent des informations concernant la feature
comprend un nom et un texte associé
(texte libre ou vocabulaire contrôlé)
FT CDS
FT
FT
FT
FT
FT
FT
1..391
/codon_start=2
/db_xref="PID:e1358278"
/partial
/gene="IgH"
/product="immunoglobulin heavy chain"
/translation="MSWVFLVAILEGVQCEVQLVESGGGLVQPGGSLRLSCAASGFTFS"
17 Octobre 2006
17 Octobre 2006
Structure de l’information dans les bases de
données généralistes DDBJ/EMBL/GenBank
Des codes pour indiquer les types d’information
17 Octobre 2006
EMBL Feature labels
http://www3.ebi.ac.uk/Services/WebFeat/
17 Octobre 2006
D
EMBL Feature labels
V
J
N
17 Octobre 2006
http://www.ebi.ac.uk/embl/Documentation/FT_definitions/feature_table.html
D
EMBL Feature labels
V
J
N
17 Octobre 2006
http://www.ebi.ac.uk/embl/Documentation/FT_definitions/feature_table.html
Les bases de données généralistes
pour les protéines
SWISS-PROT
Université de Genève, Suisse
EBI, UK
http://us.expasy.org/sprot/
http://www.ebi.ac.uk
PIR
NBRF, USA
http://pir.georgetown.edu/
UNIPROT
http://www.expasy.uniprot.org/
17 Octobre 2006
17 Octobre 2006
SWISS-PROT
Banque de séquences protéiques
Créée en 1986
par Amos Bairoth, Suisse
Privilégie la qualité des données, n’accepte pas toutes les séquences
Un complément: TREMBL
Localisation
Université de Genève, Suisse; EBI, UK
October 2006
>234.000 séquences
Origine des séquences
Analyse de la littérature, soumission par les auteurs,
traduction de séquences nucléotidiques
Distribution (fichiers à plat)
Web (http://www.expasy.org/sprot, http://www.ebi.ac.uk), FTP
Outils de soumission des séquences
SPIN http://www.ebi.ac.uk/swissprot/Submissions/spin/index.jsp
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
PDB PROTEIN DATA BANK
Banque de structures tridimentionnelles
Localisation
Créée par Brookhaven National Laboratory,
NIH, Bethesda, MD, USA
Maintenue depuis juillet 1999 par le RCSB
(Research Collaboratory for Structural Bioinformatics)
Contient les coordonnées 3D de 39.223 structures
(protéines ou acides nucléiques ) (Octobre 2006)
Outils de visualisation 3D
Rasmol, Cn3D, Web Labviewer, WPDB
Distribution (fichiers à plat) Web (http://www.rcsb.org/pdb/Welcome.do), FTP
17 Octobre 2006
Systèmes d'information et bases de données
spécialisés
Ils couvrent un secteur défini de la biologie
Avantages
- Ils fournissent des informations détaillées,
spécifiques du domaine biologique qui n'existent pas
dans les systèmes généralistes
- Les données sont en général contrôlées, donc
plus fiables et de meilleure qualité que dans les
bases généralistes
- Ils évoluent en fonction des progrès scientifiques
dans le domaine plus facilement
17 Octobre 2006
Systèmes d'information et bases de
données spécialisés
Ils couvrent un secteur défini de la biologie
Avantages
- Ils fournissent des informations détaillées,
spécifiques du domaine biologique qui n'existent pas
dans les systèmes généralistes
- Les données sont en général contrôlées, donc
plus fiables et de meilleure qualité que dans les
bases généralistes
- Ils évoluent en fonction des progrès scientifiques
dans le domaine plus facilement
17 Octobre 2006
Le système d’information
IMGT
17 Octobre 2006
http://imgt.cines.fr
IMGT, the international ImMunoGeneTics
information system® http://imgt.cines.fr
Bases de données
Bases de données de séquences IMGT/LIGM­DB + de 100.000 séquences nucléotidiques IG et TR de 170 espèces de vertébrés (sur le Web depuis 1995)
Outils en ligne
Ressources Web
Analyse de séquences
Séquences
• IMGT/V­QUEST
• IMGT/JunctionAnalysis
• IMGT/PhyloGene
• IMGT/Allele­Align
IMGT Repertoire:
• Alignments of alleles
• Tables of alleles
• Protein displays, etc.
Analyse de génomes
Génomes
Base de données de
gènes
• IMGT/GeneSearch
• IMGT/GeneView
• IMGT/LocusView
• Chromosomal localizations Base de données de structures 3D
Analyse de structures 3D
• IMGT/StructuralQuery
Structures 2D et 3D
• IMGT/PRIMER­DB
• IMGT/MHC­DB
• IMGT/GENE­DB
• IMGT/3Dstructure­DB
• Locus representations
• Gene tables, etc.
• 2D Colliers de Perles
• 3D representations, etc.
17 Octobre 2006
Séquences d’ADN génomique en configuration germline
1 - Exemple d’un V-GENE
>X62106.0|HSVI2|Homo sapiens VI-2 gene for immunoglobulin heavy chain
tgagagctcc gttcctcacc atggactgga cctggaggat cctcttcttg gtggcagcag
ccacaggtaa gaggctccct agtcccagtg atgagaaaga gattgagtcc agtccaggga
gatctcatcc acttctgtgt tctctccaca ggagcccact cccaggtgca gctggtgcag
tctggggctg aggtgaagaa gcctggggcc tcagtgaagg tctcctgcaa ggcttctgga
tacaccttca ccggctacta tatgcactgg gtgcgacagg cccctggaca agggcttgag
tggatgggat ggatcaaccc taacagtggt ggcacaaact atgcacagaa gtttcagggc
agggtcacca tgaccaggga cacgtccatc agcacagcct acatggagct gagcaggctg
tgaaa
agatctgacg acacggccgt gtattactgt gcgagagaca cagtgtgaaa acccacatcc
acccacatcc
tgagggtgtc agaaacccaa gggaggaggc ag
tgagggtg
5'
5'UTR
L­PART1
INIT­CODON
V­INTRON
DONOR
­SPLICE
L­PART2
ACCEPTOR
­SPLICE
1st­CYS
23
V­REGION
V­RS
60
120
180
240
300
360
420
480
3'UTR
3'
2nd­CYS V­HEPTAMER
V­
104
V­NONAMER
SPACER
17 Octobre 2006
Séquences d’ADN génomique en configuration germline
2 - Exemple d’un D-GENE
>J00256|IGHD7-27*01|Homo sapiens D-GENE
c tgagctgaga accactgtgc
ac
att
ccagccgcag ggtttttggc
taactgggga cacagtgatt
ggcagctct caaaaaccat gctcccccgg g
ggcagctcta
5'
5'UTR
5’D­RS
D­REGION
5’D­NONAMER
5’D­SPACER
5’D­HEPTAMER
3’D­RS
3'UTR
60
3'
3’D­
3’D­SPACER
HEPTAMER
3’D­NONAMER
3 - Exemple d’un J-GENE
>J00256|IGHJ1*01|Homo sapiens J-GENE
gcccctgg ctcagggctg actcaccgtg
act
accccgggct gtgggtttct gtgcccctgg
gctgaatact
tccagcactg gggccagggc accctggtca ccgtctcctc aggtgagtct gctgtactgg
ggatagcggg gagccatgtg tactgggcca agcaagggct ttggcttcag
5'
5'UTR
J­RS
J­REGION
J­TRP
J­NONAMER
J­SPACER
118
J­HEPTAMER
DONOR
­SPLICE
3'UTR
60
120
170
3'
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
Sequence Database Retrieval
1- SRS
(sequence retrieval system)
2- ENTREZ
17 Octobre 2006
caractéristiques
- Système d’interrogation multibase
- Accès à des bases de données dont les objectifs peuvent
être très différents (BD generalistes, specialiées, ontologies,
references bibliographiques )
- interfaces puissantes pour répondre à des requêtes
complexes
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
SRS
http://srs.ebi.ac.uk/srsbin/cgi-bin/wgetz?-page+srsq2+-noSession
17 Octobre 2006
17 Octobre 2006
Selection des bases de données
17 Octobre 2006
Pour en savoir plus sur les bases de données diponibles
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
1 - Recherche rapide: par mots clés
chronic lymphocytic leukemia et/ou CLL
17 Octobre 2006
17 Octobre 2006
2 - Recherche standard
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
Sauvegarde des resultats
17 Octobre 2006
Sauvegarde des resultats
17 Octobre 2006
3 - Recherche étendue:
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
ENTREZ
http://www.ncbi.nlm.nih.gov/
17 Octobre 2006
La page d’accueil du NCBI (http://www.ncbi.nlm.nih.gov/)
17 Octobre 2006
Entrez at http://www.ncbi.nlm.nih.gov/gquery/gquery.fcgi
17 Octobre 2006
17 Octobre 2006
Recherche générale
17 Octobre 2006
17 Octobre 2006
Affiner ses recherches par l’onglet limits
17 Octobre 2006
Affiner ses recherches par l’onglet “Limits” Procéder par étapes: 1)
“chronic lymphocytic leukemia » dans tous les champs
17 Octobre 2006
Affiner ses recherches par l’onglet limits
17 Octobre 2006
Affiner ses recherches par l’onglet “Limits” Procéder par étapes: 2)
restreindre la recherche aux séquences ARNm humaines
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
Ensembl Genome Browser
http://www.ebi.ac.uk/ensembl
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006
17 Octobre 2006